Billeteras digitales
Las billeteras digitales han emergido como nuevas tecnologías en Perú desde hace varios años, destacándose Yape y Plin como las más reconocidas. Estas plataformas permiten a los usuarios realizar transacciones financieras de manera digital, brindando una alternativa conveniente al uso del dinero físico. La practicidad y rapidez que ofrecen estas billeteras digitales han impulsado su amplia aceptación entre la población peruana.
En consecuencia, resulta sumamente interesante investigar y comprender qué medio de pago predomina en la preferencia de los usuarios: ¿las billeteras digitales o el dinero en efectivo? Este estudio se enfoca en analizar a estudiantes de la Universidad de Ingeniería y Tecnología (UTEC), con el objetivo de examinar las diferencias en el uso que le dan a estos dos medios de pago y los factores que influyen en su elección.
El proyecto busca profundizar en el comportamiento y las actitudes de los estudiantes de la UTEC hacia las billeteras digitales y el dinero en efectivo.
El objetivo general de este proyecto es analizar y comparar el uso de billeteras digitales y dinero en efectivo entre los estudiantes de la Universidad de Ingeniería y Tecnología (UTEC), con el propósito de comprender las preferencias, comportamientos y factores que influyen en la elección de los medios de pago. Además, se busca identificar las ventajas y desafíos asociados con el uso de billeteras digitales en el contexto de los estudiantes universitarios.
Las billeteras digitales son sistemas de pago electrónico que permiten a los usuarios realizar transacciones sin necesidad de efectivo. Estas billeteras digitales ofrecen la posibilidad de pagar en establecimientos físicos mediante tecnologías como los códigos QR. Los usuarios pueden vincular sus tarjetas de crédito o débito a la billetera digital y realizar pagos acercando su dispositivo móvil al terminal de pago o escaneando un código QR.
Sin embargo, el pago en efectivo sigue siendo ampliamente aceptado debido a que se puede utilizar en cualquier lugar sin depender de la infraestructura de pagos electrónicos. El uso de efectivo también proporciona un nivel de anonimato, privacidad y control sobre el dinero gastado. Además, evita riesgos de seguridad, como los fraudes en línea.
La recopilación de datos sobre el uso de billeteras digitales y efectivo se llevó a cabo mediante encuestas. Utilizando descriptores estadísticos, se resumieron y describieron los datos para identificar las características clave de las billeteras digitales y el uso de efectivo. Algunos conceptos importantes para comprender e interpretar los datos son los siguientes:
La tendencia central, como la mediana, se puede utilizar para comparar la cantidad de dinero gastado utilizando billeteras digitales y efectivo. Esto nos permite analizar el comportamiento de los consumidores en relación a los métodos de pago.
La visualización de datos mediante gráficos es esencial para comprender y comunicar los resultados del análisis comparativo. El diagrama de caja y bigotes, el diagrama de barras y los gráficos de dispersión son herramientas útiles para representar visualmente las diferencias en el uso de billeteras digitales y efectivo.
Se utilizó la herramienta “Google Forms” para crear un formulario en línea. Este formulario nos permitió obtener datos de variables relevantes para cumplir nuestros objetivos, ya que permitía la selección de preguntas de opción múltiple y que los encuestados pudieran ingresar sus propios datos.
La encuesta se llevó a cabo utilizando dos medios diferentes:
Medios virtuales: Se envió un mensaje motivador junto con el enlace del formulario para incentivar a las personas a completar la encuesta. Este mensaje fue enviado a grupos y contactos conocidos a través de WhatsApp.
Medio presencial: Se realizaron encuestas en persona en las áreas más concurridas de la universidad, como el piso 11, piso 6 y la sala del piso 1. Para facilitar el acceso al formulario, nos apoyamos en un código QR que permitía a los encuestados acceder rápidamente al formulario en sus dispositivos móviles.
De esta manera, se busco garantizar una representación diversa de la población estudiantil de la universidad en la muestra de datos.
Estrategias para llegar al público objetivo
En el medio virtual, se empleó un mensaje motivador con el fin de incentivar a las personas a completar el formulario.
En el medio presencial, se ofreció una recompensa como incentivo para aquellos que completaran la encuesta.
En el medio presencial, se seleccionaron zonas con alta afluencia de personas y disponibilidad de tiempo libre, para facilitar que puedan completar la encuesta.
Diseño de la encuesta
La encuesta se estructuró en tres partes:
Población
La población está conformada por todos los estudiantes matriculados en la Universidad de Ingeniería y Tecnología del ciclo 2023-I(4000). La unidad muestral es cada estudiante matricula en UTEC en el ciclo 2023-I.
Según el portal de transparencia de la página web oficial de la Universidad de Tecnología e Ingeniería (UTEC), se estima que el número de estudiantes de pregrado para el ciclo regular 2022-2 sería de aproximadamente 4000 alumnos. Esta estimación se realiza considerando la información disponible y extrapolando para el ciclo actual, 2023-1.
Muestra
El tamaño inicial de la muestra fue de 172 observaciones. Sin embargo, después de realizar la limpieza de datos, el tamaño efectivo de la muestra se redujo a 158 observaciones.
Parte de la muestra es representativa ya que fue realizada por muestreo aleatorio simple, sin embargo, existe un pequeño grupo que no fue por muestreo aleatorio simple, lo cual afecta la representatividad levemente.
Muestreo
En el caso de las encuestas enviadas por el medio virtual (WhatsApp), se presentan las siguientes acotaciones:
En el caso de las encuestas realizadas mediante el medio presencial, se presentan las siguientes acotaciones:
Continua
Discreta
Nominal
Ordinal
Se cargan las librerías usadas en el proyecto.
## En esta sección se está verificando si la librería usado para el archivo se encuentra previamente instalada, en caso de no estarla, se procederá a instalar el paquete con la función install.packages(). Finalmente, se invoca a la librería con la función library().
if (!require("readr")) {
install.packages("readr")
}
## Loading required package: readr
## Warning: package 'readr' was built under R version 4.1.3
library(readr)
if (!require("plyr")) {
install.packages("plyr")
}
## Loading required package: plyr
## Warning: package 'plyr' was built under R version 4.1.3
library(plyr)
if (!require("dplyr")) {
install.packages("dplyr")
}
## Loading required package: dplyr
## Warning: package 'dplyr' was built under R version 4.1.3
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:plyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(dplyr)
if (!require("ggplot2")) {
install.packages("ggplot2")
}
## Loading required package: ggplot2
library(ggplot2)
if (!require("plotly")) {
install.packages("plotly")
}
## Loading required package: plotly
## Warning: package 'plotly' was built under R version 4.1.3
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following objects are masked from 'package:plyr':
##
## arrange, mutate, rename, summarise
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(plotly)
Lectura de la base de datos
Un paso previo para la realización de la limpieza de la base de datos fue leer el contenido de la base de datos tipo CSV (valores separados por comas) con el comando read_csv(“base_datos_billeteras.csv”). Cabe resaltar que las observaciones que tenemos en este punto son 172.
BD_billeteras <- read_csv("base_datos_billeteras.csv")
## Rows: 172 Columns: 23
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (9): Marca temporal, Carrera, ¿Cuál es tu principal billetera digital?,...
## dbl (14): Edad, Ciclo cursado actualmente, ¿Cuántas billeteras digitales uti...
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.
Cambiar los nombres a las columnas
En primer lugar, utilizando la función names(), observamos que los nombres de nuestras variables son un poco largos, por lo que les asignamos nuevos valores con la función rename(). De esta manera, realizamos este cambio en cada una de las variables en las que era necesario.
names(BD_billeteras)
## [1] "Marca temporal"
## [2] "Edad"
## [3] "Ciclo cursado actualmente"
## [4] "Carrera"
## [5] "¿Cuántas billeteras digitales utiliza regularmente para realizar pagos?"
## [6] "¿Cuál es tu principal billetera digital?"
## [7] "¿Cuántos días de la semana utilizas una billetera digital para hacer pagos?"
## [8] "De manera estimada, ¿Cuántas compras realiza por día con una billetera digital?"
## [9] "¿Cuánto dinero usualmente gastas con una billetera digital en un día, en soles?"
## [10] "¿Cuánto dinero usualmente dispones en tu billetera digital para la semana, en soles?"
## [11] "De manera estimada, ¿Cuánto tiempo te demora realizar una transacción en billeteras digitales, en minutos?"
## [12] "¿Qué tanto confía en la seguridad de las transacciones financieras de las billeteras digitales?"
## [13] "¿Qué tan satisfecho considera se siente con su experiencia usando billeteras digitales?"
## [14] "Razón principal por la que prefieres usar tu billetera digital en vez del dinero en efectivo."
## [15] "Principal dificultad al querer usar una billetera digital"
## [16] "¿Cuántos días de la semana utilizas dinero en efectivo para hacer pagos?"
## [17] "De manera estimada, ¿Cuántas compras realizas por día con dinero en efectivo?"
## [18] "¿Cuánto dinero usualmente gastas con dinero en efectivo en un día, en soles?"
## [19] "¿Cuánto dinero en efectivo usualmente dispones para la semana, en soles?"
## [20] "De manera estimada, ¿Cuánto tiempo te demora realizar un pago con dinero en efectivo, en minutos?"
## [21] "¿Qué tan satisfecho considera que se siente con su experiencia usando dinero en efectivo?"
## [22] "Razón principal por la que decides usar el dinero en efectivo para tus pagos en vez de una billetera digital"
## [23] "Dirección de correo electrónico"
BD_billeteras_01 <-rename(BD_billeteras,
Entrega = `Marca temporal`,
Ciclo = `Ciclo cursado actualmente`,
Numero_billeteras = `¿Cuántas billeteras digitales utiliza regularmente para realizar pagos?`,
Billetera_principal = `¿Cuál es tu principal billetera digital?`,
Dias_billetera = `¿Cuántos días de la semana utilizas una billetera digital para hacer pagos?`,
Compras_diaria_billetera = `De manera estimada, ¿Cuántas compras realiza por día con una billetera digital?`,
Gasto_diario_billetera = `¿Cuánto dinero usualmente gastas con una billetera digital en un día, en soles?`,
Disponible_semanal_billetera = `¿Cuánto dinero usualmente dispones en tu billetera digital para la semana, en soles?`,
Tiempo_billetera = `De manera estimada, ¿Cuánto tiempo te demora realizar una transacción en billeteras digitales, en minutos?`,
Nivel_seguridad_billetera = `¿Qué tanto confía en la seguridad de las transacciones financieras de las billeteras digitales?`,
Satisfaccion_billetera = `¿Qué tan satisfecho considera se siente con su experiencia usando billeteras digitales?`,
Razon_billetera = `Razón principal por la que prefieres usar tu billetera digital en vez del dinero en efectivo.`,
Dificultad_billetera = `Principal dificultad al querer usar una billetera digital`,
Dias_efectivo = `¿Cuántos días de la semana utilizas dinero en efectivo para hacer pagos?`,
Compras_diaria_efectivo = `De manera estimada, ¿Cuántas compras realizas por día con dinero en efectivo?`,
Gasto_diario_efectivo = `¿Cuánto dinero usualmente gastas con dinero en efectivo en un día, en soles?`,
Disponible_semanal_efectivo = `¿Cuánto dinero en efectivo usualmente dispones para la semana, en soles?`,
Tiempo_efectivo = `De manera estimada, ¿Cuánto tiempo te demora realizar un pago con dinero en efectivo, en minutos?`,
Satisfaccion_efectivo = `¿Qué tan satisfecho considera que se siente con su experiencia usando dinero en efectivo?`,
Razon_efectivo = `Razón principal por la que decides usar el dinero en efectivo para tus pagos en vez de una billetera digital`,
Correo = `Dirección de correo electrónico`,
)
Cambiar tipos a las variables
Por consiguiente, cambiamos el tipo de las variables según corresponda utilizando las funciones as.numeric, as.character y as.integer.
BD_billeteras_01$Ciclo<-as.integer(BD_billeteras_01$Ciclo)
BD_billeteras_01$Disponible_semanal_billetera<-as.numeric(BD_billeteras_01$Disponible_semanal_billetera)
BD_billeteras_01$Nivel_seguridad_billetera<-as.character(BD_billeteras_01$Nivel_seguridad_billetera)
BD_billeteras_01$Disponible_semanal_efectivo <- as.numeric(BD_billeteras_01$Disponible_semanal_efectivo)
## Warning: NAs introducidos por coerción
BD_billeteras_01$Numero_billeteras <- as.integer(BD_billeteras_01$Numero_billeteras)
BD_billeteras_01$Edad <- as.integer(BD_billeteras_01$Edad)
BD_billeteras_01$Dias_billetera <- as.integer(BD_billeteras_01$Dias_billetera)
BD_billeteras_01$Dias_efectivo <- as.integer(BD_billeteras_01$Dias_efectivo)
BD_billeteras_01$Compras_diaria_billetera <- as.integer(BD_billeteras_01$Compras_diaria_billetera)
BD_billeteras_01$Compras_diaria_efectivo <- as.integer(BD_billeteras_01$Compras_diaria_efectivo)
BD_billeteras_01$Satisfaccion_efectivo <- as.character(BD_billeteras_01$Satisfaccion_efectivo)
Filtrando datos incompletos
Se filtró nuestra base de datos utilizando la función filter() y el operador !is.na(). En una primera instancia, filtramos a las personas que no proporcionaron su correo electrónico ni registraron el gasto diario realizado con una billetera digital.
BD_billeteras_02<-filter(BD_billeteras_01, !is.na(BD_billeteras_01$Gasto_diario_billetera), !is.na(BD_billeteras_01$Correo))
Seleccionando las columnas de variables que vamos a necesitar
Se seleccionaron únicamente las variables que necesitábamos, omitiendo la marca temporal y el correo electrónico, mediante el uso del comando select().
BD_billeteras_03 <- select(BD_billeteras_02, Edad:Razon_efectivo)
BD_billeteras_03
Filtrar variables numéricas
Por consiguiente, se examinó el comportamiento de cada variable numérica utilizando la función summary() para observar si las variables seleccionadas presentaban valores correctos, utilizando los cuartiles. Posteriormente, se comenzaron a filtrar las variables numéricas con la función filter(), siguiendo algunos criterios previamente definidos, teniendo en cuenta que nuestra base de datos contenía datos atípicos.
BD_billeteras_04 <- filter( BD_billeteras_03,
Numero_billeteras<=4,
Dias_billetera<=7,
Dias_efectivo<=7,
Tiempo_billetera<=6,
Tiempo_efectivo<=12,
Compras_diaria_efectivo <=20 ,
Compras_diaria_billetera <=20,
Disponible_semanal_billetera <= 1000
)
Recategorizar las variables categóricas ordinales
Se realizó la recategorización de las variables categóricas ordinales, las cuales fueron convertidas a factores utilizando la función factor(). Esto facilita el análisis estadístico, la representación gráfica y el modelado de variables categóricas. Además, se procedió a cambiar el nombre de los datos que tenían una longitud considerable.
#Nivel de satisacción de billeteras
BD_billeteras_05 <- BD_billeteras_04
BD_billeteras_05$Satisfaccion_billetera <- factor(BD_billeteras_04$Satisfaccion_billetera, levels = c("Insatisfecho","Ni satisfecho ni insatisfecho", "No uso billeteras digitales", "Satisfecho"), labels = c("Insatisfecho","Neutro", "No uso", "Satisfecho"))
#Nivel de satisfacción de efectivo
BD_billeteras_05$Satisfaccion_efectivo <- factor(BD_billeteras_04$Satisfaccion_efectivo, levels = c("1", "2", "3"), labels = c("Insatisfecho", "Neutro", "Satisfecho"))
#Nivel de seguridad
BD_billeteras_05$Nivel_seguridad_billetera <- factor(BD_billeteras_04$Nivel_seguridad_billetera, levels = c("1", "2", "3"), labels = c("Inseguro", "Neutro", "Seguro"))
#Razon
BD_billeteras_05$Razon_billetera <- factor(BD_billeteras_05$Razon_billetera, levels = c("Practicidad y rapidez al escanear el código QR", "Tener un mejor registro de los gastos", "Mayor costumbre"), labels = c("Rapidez", "Registrar gastos", "Más costumbre"))
#Cambiar nombre a Percepcion_seguridad_billetera
BD_billeteras_05 <-rename(BD_billeteras_05, Percepcion_seguridad_billetera = `Nivel_seguridad_billetera`)
BD_billeteras_05$Satisfaccion_billetera<-as.character(BD_billeteras_05$Satisfaccion_billetera)
BD_billeteras_05$Satisfaccion_efectivo<-as.character(BD_billeteras_05$Satisfaccion_efectivo)
BD_billeteras_05$Percepcion_seguridad_billetera<-as.character(BD_billeteras_05$Percepcion_seguridad_billetera)
Exportando la base de datos limpia
Finalmente, se exportó nuestra base de datos utilizando la función write_csv(). Guardamos esta base de datos con el nombre “BD_billeteras_limpia_final.csv”.
write_csv(BD_billeteras_05, "BD_billeteras_limpia_final.csv")
La base de datos se considera limpia debido a que se realizaron verificaciones previas en cada variable, incluyendo el nombre, valor y tipo. Además, se filtraron los datos que eran N/A, asegurando así la limpieza de nuestra base de datos. Por otro lado, es importante destacar que al finalizar este proceso, nuestra base de datos cuenta con 158 observaciones.
## Rows: 158 Columns: 21
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (8): Carrera, Billetera_principal, Percepcion_seguridad_billetera, Sati...
## dbl (13): Edad, Ciclo, Numero_billeteras, Dias_billetera, Compras_diaria_bil...
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.
hist(datos_billeteras$Edad, breaks = c(17, 18, 19, 20, 21, 22), col = "gray", xlab = "Edad", ylab = "Frecuencia", main = "Gráfico 1: histograma de edad", border = "white")
# Agregar la media y la mediana al histograma
abline(v = mean(datos_billeteras$Edad), col = "red")
abline(v = median(datos_billeteras$Edad), col = "green")
# Añadir leyenda
legend("topright", legend = c("Media", "Mediana"), col = c("red", "green"), lty = 1)
#PROPORCIOANES QUE USA Y NO USA
barp<- barplot(table(datos_billeteras$Usa_billeteras_digitales),col=c("#377EB8", "#4DAF4A"),xlim=c(0,3), ylim=c(0,140), ylab="Cantidad de personas", main="Grafico 2: frecuencia del uso de billeteras digitales en la muestra")
legend(x = "topright", legend = c("19.62%", "80.38%"), fill = c("#377EB8", "#4DAF4A"),
title = "Porcentajes")
text(barp, table(datos_billeteras$Usa_billeteras_digitales) + 6, labels = table(datos_billeteras$Usa_billeteras_digitales))
barp<-barplot(table(ubd$Billetera_principal), ylim=c(0,160), main="Gráfico 3: billetera digital principal en usuarios de este medio de pago", xlab= "Billetera digital", ylab="Cantidad de usuarios",col=c("#377EB8", "#4DAF4A"))
legend(x = "topright", legend = c("20%", "80%"), fill = c("#377EB8", "#4DAF4A"),
title = "Porcentajes")
text(barp, table(ubd$Billetera_principal) + 6, labels = table(ubd$Billetera_principal))
En cuanto al objetivo 1, se encontró que nuestra muestra está conformada mayoritariamente por estudiantes universitarios jóvenes, con edades entre 17 y 20 años. Además, se observó que alrededor del 75% de los estudiantes poseen billeteras digitales como medio de pago. Dentro de este grupo de usuarios de billeteras digitales, se encontró que el 80% prefiere utilizar “Yape” y el 20% prefiere utilizar “Plin”.
print("Descriptores numéricos y de dispersión de la cantidad de compras diarias con una billetera digital")
## [1] "Descriptores numéricos y de dispersión de la cantidad de compras diarias con una billetera digital"
summary(ubd$Compras_diaria_billetera)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.500 2.000 2.591 3.000 6.000
print("Descriptores numéricos y de dispersión de la cantidad de compras diarias con efectivo")
## [1] "Descriptores numéricos y de dispersión de la cantidad de compras diarias con efectivo"
summary(datos_billeteras$Compras_diaria_efectivo)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 2.000 3.127 4.000 20.000
p <- ggplot(mtcars, aes(wt, mpg)) + geom_point()
ggplot(data = ubd, aes(y = ubd$Gasto_diario_billetera, x = ubd$Compras_diaria_billetera)) +
geom_point() + labs(x="Compras diarias", y="Gasto diario con su billetera digital(soles)", title="Gráfico 4: dispersión de compras diarias vs gasto diario con billeteras digitales")
En relación al objetivo 2, notamos que las compras diarias en billeteras digitales coinciden en la medida central, que es la mediana, con un valor de 2 compras por día. Por otra parte, el tercer cuartil difiere en 1 a favor del efectivo. Observamos que el efectivo tiene una diferencia corta en comparación con las compras diarias realizadas por una persona. Además, en la gráfica 2.2 se observa una correlación positiva creciente entre las compras diarias y el gasto diario con la billetera digital. Esto significa que a medida que se realizan más compras diarias con la billetera digital, la persona tiende a realizar un mayor gasto diario con este medio.
print("Descriptores numéricos y de dispersión de la variable días a la semana que una persona usa billeteras digitales")
## [1] "Descriptores numéricos y de dispersión de la variable días a la semana que una persona usa billeteras digitales"
summary(ubd$Dias_billetera)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 3.000 5.000 4.709 6.000 7.000
print("Descriptores numéricos y de dispersión de la variable día a la semana que una persona usa efectivo")
## [1] "Descriptores numéricos y de dispersión de la variable día a la semana que una persona usa efectivo"
summary(ubd$Dias_efectivo)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 3.000 5.000 4.488 7.000 7.000
En el caso de las billeteras digitales, la mediana indica que 5 días son la medida central de los datos, lo cual guarda relación con el uso cotidiano de lunes a viernes. Por otra parte, el 75% de los datos menores presenta un valor menor o igual a 6. Esto indica que gran parte de las personas no utiliza su billetera digital todos los días de la semana, por ejemplo, el domingo es un día donde existe poca actividad económica.
En el caso del efectivo, la mediana es 5, lo cual está relacionado con el uso que los estudiantes le dan los días lunes a viernes, ya que usualmente son días de clases. Observamos que el tercer cuartil es 7, lo que indica que el 75% de los datos menores es igual o menor a 7. En este caso, se llega a 7 porque el efectivo se utiliza comúnmente todos los días para pagos cotidianos como pasajes, comida, entre otros.
boxplot(ubd$Disponible_semanal_billetera, main="Gráfico 5: boxplot de monto semanal disponible en billeteras digitales", ylab="Monto semanal en soles")
boxplot(datos_billeteras$Disponible_semanal_efectivo, ylab="Monto semanal en soles", main="Gráfico 6: boxplot del monto semanal disponible en efectivo")
En relación al objetivo 3, existe una diferencia notable en el monto disponible semanal en billeteras digitales y efectivo. Su media y tercer cuartil difieren en 50 soles en ambos casos, a favor del monto en billeteras digitales. Esto podría deberse a que el efectivo es más utilizado por los estudiantes para compras de bajo valor, mientras que las billeteras digitales son utilizadas para compras de mayor valor. También puede deberse a que las billeteras digitales pueden almacenar una mayor cantidad de dinero de forma más segura que el efectivo.
mosaicplot(table(ubd$Billetera_principal, ubd$Razon_billetera), color = c("#1F77B4", "#2CA02C", "#FF7F0E"), main="Gráfico 7: Comparación del grado de satisfacción en billeteras digitales")
print("Descriptores del tiempo de una compra con billeteras digitales")
## [1] "Descriptores del tiempo de una compra con billeteras digitales"
summary(ubd$Tiempo_billetera)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 2.000 2.135 3.000 6.000
print("Descriptores del tiempo de una compra con dinero en efectivo")
## [1] "Descriptores del tiempo de una compra con dinero en efectivo"
summary(datos_billeteras$Tiempo_efectivo)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 2.000 2.554 4.000 7.000
En cuanto al objetivo 4, la mayoría de las personas que cuentan con una billetera digital eligieron la razón de “rapidez”. Esto podría deberse al mecanismo del código QR utilizado para realizar pagos rápidos. De manera complementaria, al analizar el tiempo que cada medio de pago toma en base al tercer cuartil, se observa una diferencia de 1 minuto a favor del tiempo de compra con una billetera digital. Esto respaldaría la “rapidez” de esta tecnología al momento de ser una opción para realizar una compra.
mosaicplot(table(ubd$Billetera_principal, ubd$Satisfaccion_billetera), ylab=" Nivel satisfacción", xlab= "Billeteras digitales más usadas: Plin y Yape", color=c("#377EB8", "#4DAF4A"), main="Gráfico 8: Grado de satisfacción de usuarios con billeteras digitales")
# Calcular la frecuencia de satisfacción en efectivo
frecuencia_satisfaccion_efectivo <- ubd %>% count(Satisfaccion_efectivo)
# Crear un gráfico de barras para comparar los grados de satisfacción en las billeteras digitales
ggplot(frecuencia_satisfaccion_efectivo, aes(x = Satisfaccion_efectivo, y = n)) +
geom_bar(stat = "identity", position = "dodge", fill = "#377EB8", width=0.8) +
labs(x = "Grado de satisfacción", y = "Cantidad de personas") +
ggtitle("Gráfico 9: Grados de satisfacción del efectivo en clientes de billeteras digitales") +
theme_minimal() +
ylim(0, 80) +
guides(fill = FALSE)
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
En cuanto al objetivo 6, podemos observar que la población que utiliza billeteras digitales mayormente opina estar “satisfecha”. Por otra parte, en el caso del dinero en efectivo, ellos opinan mayormente que su experiencia es “neutra”. Esta diferencia se puede sustentar en las diversas funcionalidades y beneficios que presentan las billeteras digitales, lo que motiva a sus clientes a considerar que su experiencia con estas tecnologías es mejor que el uso de dinero en efectivo.
Tabla 1: Frecuencias de la percepción de seguridad de las billeteras digitales
# TABLA DE FRECUENCIA DE PERCEPCIÓN DE SEGURIDAD DE BILLETERAS DIGITALES
fig <- plot_ly(
type = 'table',
header = list(
values = c('<b>Nivel de seguridad percibido</b>', '<b>Personas con billetera digital</b>', '<b>Persona sin billetera digital</b>'),
line = list(color = '#377EB8'),
fill = list(color = '#377EB8'),
align = c('center', 'center'),
font = list(color = 'white', size = 12)
),
cells = list(
values = rbind(
c('Percibe Seguro(%)', ' Percibe Neutro(%)', 'Percibe Inseguro(%)', '<b>TOTAL</b>'),
c("32.26%", "58.06%", "9.68%", "100%"),
c("66.14%", "33.07%", "0.79%", "100%")
),
line = list(color = '#377EB8'),
fill = list(color = c('#66CCCC', 'white')),
align = c('center', 'center'),
font = list(color = c('black'), size = 12)
)
)
fig
Las personas que utilizan billeteras digitales y han tenido experiencia con la aplicación mayoritariamente perciben que el medio de pago es “seguro”. Luego, la mayoría piensa que el nivel de seguridad es “neutro”, y hay un grupo muy pequeño de 0.79% que indica percibirlo como “inseguro”.
Las personas que no utilizan billeteras digitales mayormente responden “neutro” (58%). Esto puede deberse a que aún no han probado la aplicación. Las personas que respondieron “seguro” (32.26%) pueden asociar sus experiencias con otras aplicaciones digitales a este medio de pago.
Al comparar ambos resultados, se evidencia en porcentajes la diferencia en la percepción de la seguridad dependiendo de si la persona utiliza o no una billetera digital. Resaltamos que casi la totalidad de las personas que usan billetera digital no desconfían de este medio, ya que las respuestas son “seguro” y “neutro” en gran cantidad. Esta sería una razón para mantener el uso de esta herramienta tecnológica.